Contextengineering gaat niet alleen om het toevoegen van meer data aan je LLM - het gaat om het geven van de juiste context op het juiste moment. In deze presentatie voor @OReillyMedia laat onze Developer Relations Engineer @tuanacelik zien hoe geheugenblokken je helpen om agents te bouwen die gestructureerde context behouden voor complexe taken. Ze demonstreert artifactgeheugenblokken met behulp van een restaurantbesteltrackingbot - en laat zien hoe je hele gesprekken kunt destilleren tot alleen de essentiële gestructureerde informatie (pizzatype, toppings, adres) in plaats van de volledige chatgeschiedenis te verwerken. Belangrijke concepten die aan bod komen: · Verschillende soorten geheugenblokken (statisch, feitextractie, vector, artifact) · Beheer van de contextverhouding - het balanceren van chatgeschiedenis vs systeem prompts vs geheugen · Het gebruik van agentworkflows om context stap voor stap op te bouwen en te optimaliseren Het voorbeeld laat zien hoe artifactgeheugenblokken een kronkelige conversatie kunnen transformeren in een schone, gestructureerde bestelling - precies wat je nodig hebt voor productieagents die echte taken afhandelen. Bekijk de volledige presentatie:

Moe van het worstelen met rommelige Excel-bestanden die traditionele parsers breken? 📊 Doe mee aan onze workshop op 29 januari om 11 uur PT en zie hoe LlamaSheets chaotische spreadsheets transformeert in schone, AI-klaar Parquet-bestanden terwijl alle belangrijke context behouden blijft. 📈 Beheer complexe structuren zoals samengevoegde cellen, meerlagige koppen en visuele opmaak die traditionele tools missen 🤖 Bouw spreadsheet-specifieke agents voor financiële analyse, budgetparsering en geautomatiseerde rapportage 💼 Bekijk echte voorbeelden: het consolideren van gegevens uit meerdere regio's en het extraheren van kwartaalomzettabellen ⚡ Zet spreadsheetchaos om in gestructureerde gegevens met slechts een paar regels code We zullen praktische gebruiksgevallen doorlopen en je integratiepatronen met LlamaAgents laten zien, zodat je robuuste dataverwerkingspijplijnen kunt bouwen. Registreer voor de workshop:

Een probleem dat we vaak zien: lange documenten met verschillende stukken herhalende inhoud. Voorbeeld: een cv-boek met een omslagpagina, een paar pagina's over studentcurricula, en dan achtereenvolgende cv's Bouw een intelligente cv-verwerkingsagent die automatisch gestructureerde gegevens uit herhalende inhoud extraheert met behulp van LlamaSplit om te identificeren waar elke individuele inhoud begint en eindigt en LlamaExtract om gestructureerde gegevens te extraheren: 📄 Upload PDF cv-boeken naar LlamaCloud en categoriseer pagina's automatisch met LlamaSplit om individuele cv's van curricula en omslagpagina's te scheiden 🤖 Extraheer gestructureerde informatie uit elk cv met LlamaExtract met aangepaste schema's om namen, contactinformatie, opleiding, werkervaring en vaardigheden enz. vast te leggen (jouw keuze) ⚡ Orkestreer het hele proces met LlamaAgent Workflows 🔍 Verwerk echte cv-gegevens met vertrouwensscores en gestructureerde output die klaar is voor filtering, zoeken en systemen voor kandidatenmatching De tutorial gebruikt een NYU Resume Book als voorbeeld en toont zowel individuele API-aanroepen als een complete implementatie van een geautomatiseerde workflow. Bekijk de volledige tutorial: